11月18日,一道「幼儿园水平」的题目冲上微博热搜:网友让豆包生成一张「盒子里有13个鸡蛋」的图。知乎微博
发起测试的网友反复纠错了七八轮,模型每一轮都声称「这次锁定了」,每一次都没数对,最后它自己认输,建议别做图了,改用文字清单:4+4+5=13。期间不是12个就是9个,有用户按「两行7列、13个鸡蛋、一个空着」的方式要求重画,它干脆画出了11个。知乎微博
这场翻车反直觉的地方在于:同一个模型能写长文、能出图、能对答如流,却栽在了三岁小孩都会的数数上。但答案也很明确:这不是「笨」,是它压根不会数数——主流文生图模型的生成机制里,不存在「数数」这个动作。微博

它没有「先摆一个、再数一个」的环节
现在主流的文生图模型走的是扩散路线:从一团随机噪声出发,一边去噪、一边让整幅画面逐渐变成提示词描述的样子。关键在于,整幅图是「并行显影」出来的——所有鸡蛋大致同时从噪声里长出来,中间没有任何一步是「放下第1颗、放下第2颗……数到13就停手」。
人画图靠清单:先定数量、再摆位置,数量在动笔之前就是确定的。扩散模型没有这份清单,它从海量图片里学到的是「鸡蛋长什么样、蛋盒通常什么结构、像素怎么挨着」,这套统计规律里没有「总数」这一项。它读到「13个鸡蛋」,理解成的是「有一堆鸡蛋,数量大概十几个」这个模糊概数,而不是严格等于13。知乎
还有模板先验帮倒忙:日常鸡蛋盒大多是12格、15格、18格的标准蛋托,模型见得最多的就是装满的格子,一提「盒子里的鸡蛋」就惯性地把格子填满,第13枚无处安放。所以结果常常不是随机乱画,而是顽固地回到12。知乎
至于为什么越纠错越乱:局部重绘不是精准的「定点添加」,模型改动一小块区域时很容易顺带重画周边,要么新增不止一个,要么悄悄删掉别的,总数再次跑偏。更要命的是,豆包每轮回复「已补到13个」,只是生成完之后的自我描述——它生成时没数,生成完也没有一双会数的眼睛去核对。

不是豆包一家的问题,但也不是「永远画不出」
热搜出来后,大量网友做了交叉实测。有科技博主把豆包、Kimi、DeepSeek、千问四款工具挨个试了一遍,结论是「几乎全军覆没」:豆包一次生成4张图,鸡蛋数量分别是15、11、13,每张都不一样,「感觉全靠蒙」;DeepSeek答对了数量,但给的是文字不是图。另一位科技博主反复改提示词,鸡蛋数量依旧忽多忽少,她自己那一次直接得了14个。微博微博
但也有另一面:有用户说自己的豆包好像一次就画对了13个鸡蛋。也有网友声称自己一次性就生成了13个鸡蛋的图。一位科技博主确认豆包被这道题难住后,试到第7轮总算生成对了。合在一起的准确说法是:「13个鸡蛋」这类精确数量要求,AI画得出、但画不稳,结果是个概率事件——这正是「不会数数」的表现:真正会数的系统每次都对,不需要你抽卡。微博微博微博
学界早就把这个问题当作专门课题。计算机视觉顶会CVPR 2025收录的论文《Make It Count》研究的正是文生图的可靠数量控制,论文里的例子就是一盒鸡蛋:提示词要求5个鸡蛋,普通SDXL模型画出了6个。这篇论文点出的核心难点是模型无法维护每个物体的「独立身份」:紧挨着的两个椭圆是一颗蛋还是两颗?被遮挡的半截蛋壳算不算一颗?身份都分不清,总数自然数不清。另一项名为T2I-CountBench的测试覆盖1到15个物体的生成任务,发现数量进到11—15区间时,各模型的正确率明显下滑。换成猫、椅子、树,结果也一样:场景可以完整好看,数量却频频出错。知乎

为什么偏偏13让人印象深刻?因为它同时踩中两条线:超过了多数模型能稳定跟随的数量区间,又躲开了训练数据里最熟的12格模板。
解法和用法,普通人现在就能借鉴
研究给出的方向已经比较清楚:光靠改提示词治不了这个病,需要在生成之外补一个「会数」的环节。《Make It Count》提出的CountGen方法就是这么做的:先从初步生成的画面里定位每个独立物体,检查多了还是少了,修正物体布局后,再按修正过的布局重新生成。相当于给模型外挂了一个「数完再交卷」的核对器。至于当前面向大众的消费级生图产品,这个环节还不存在——纠错流程里没有对成品图片的实际计数步骤。截至发稿,豆包方面未就此事作出公开回应。知乎
对普通用户,这次的教训可以压缩成三条:
把「精确」和「氛围」分开。 构图、光影、质感、情绪,交给生图模型;确切的数量、位置、文字内容,别指望它一次做对。
需要精确数量时,让它「复制」而不是「画」。 要13个鸡蛋,最稳的办法是生成1个,然后在画布上复制13份——数量由确定性操作保证,不由模型保证。豆包最后给出的「4+4+5=13」文字清单,本质上也是同一个思路:让不数数的归模型,数数的归人和确定性工具。
别信「已生成」「已锁定」。 模型对结果的描述不是核验凭证,凡是数量、拼写、数字要紧的场合,先自己数一遍再采信。
这道「幼儿园题」的讽刺之处就在这里:一个能写代码、能做研究、能对答如流的技术栈,会在「数到13」上反复翻车。它提醒我们AI此刻的真实形状——不是越来越像人的通用智力,而是在某些维度上至今仍然「没有眼睛」的统计机器。看懂它在哪里不会,比围观它出丑,对使用它的人更有用。
当前文章无评论,是时候发表评论了